Jimmy Chien – Moldex3D – Engineering Technology Transformation Leader | AI Strategy |
Gli ingegneri CAE si trovano spesso di fronte a questo interrogativo:
“In presenza di molteplici variabili di progetto — come geometria, materiali e condizioni di processo — il numero di combinazioni possibili può essere enorme.”
Tuttavia, le simulazioni richiedono tempo e risorse computazionali; esplorare ogni singola combinazione non è praticabile (in termini di tempo, costi e risorse disponibili).
Come fanno, quindi, gli ingegneri a decidere con quale configurazione simulare iniziare?
In articoli precedenti abbiamo esaminato come il Machine Learning e il Deep Learning (ML/DL) possano accelerare le previsioni e l’ottimizzazione CAE attraverso l’uso di modelli surrogati.
Ma una maggiore velocità di previsione potrebbe non essere l’unico vantaggio offerto dal ML al settore CAE.
Il ML può aiutare gli ingegneri a stabilire quali simulazioni valga effettivamente la pena eseguire?
Tradizionalmente, gli ingegneri esaminano i risultati precedenti, applicano le proprie competenze tecniche, modificano i parametri di progetto ed eseguono la successiva analisi.
Il Machine Learning può offrire un supporto aggiuntivo.
Apprendendo dai dati CAE esistenti, i modelli predittivi sono in grado di individuare le relazioni tra i parametri di progetto e le prestazioni ingegneristiche.
Va tuttavia fatta una considerazione importante.
L’affidabilità delle previsioni basate sul ML dipende in larga misura dalle configurazioni già simulate.
Se i dati disponibili coprono solo una parte dello spazio di progetto, il modello potrebbe funzionare bene nelle aree note, ma incontrare difficoltà con configurazioni ancora inesplorate.
Ciò significa che l’esecuzione di una nuova simulazione CAE non ha sempre lo scopo di trovare una configurazione migliore; a volte serve a colmare le lacune nelle nostre conoscenze.
La simulazione successiva può perseguire due obiettivi:
1. Trovare una configurazione migliore: Esplorare configurazioni che, secondo le previsioni, dovrebbero migliorare le prestazioni ingegneristiche.
2. Approfondire la conoscenza dello spazio di progetto: Esplorare aree caratterizzate da scarsità di dati, previsioni incerte o relazioni poco chiare tra parametri di progetto e prestazioni.
Questi obiettivi non sempre conducono alla scelta della stessa configurazione di parametri di ingresso.
A volte, una configurazione con prestazioni apparentemente meno promettenti può fornire informazioni più preziose per le future decisioni ingegneristiche.
Si crea così un’opportunità di collaborazione tra ML e CAE:
Dati CAE esistenti → Selezione della configurazione assistita dal ML → Simulazione e convalida CAE → Aggiornamento del modello
Man mano che si rendono disponibili nuovi risultati, il modello può essere perfezionato, migliorando le previsioni future e l’esplorazione delle configurazioni.
Naturalmente, i suggerimenti del ML richiedono comunque il giudizio e la convalida da parte dei tecnici di prodotto e di processo. Il valore del ML nel CAE potrebbe non risiedere soltanto nella riduzione del numero di simulazioni, ma anche nell’aiutare gli ingegneri a decidere quali simulazioni valga la pena eseguire. Se potessi eseguire solo altre cinque simulazioni CAE, ti concentreresti sui progetti con maggiori probabilità di migliorare le prestazioni o su quelli che potrebbero aiutarti a comprendere meglio lo spazio e i vincoli di progettazione?
Iscriviti alla nostra newsletter
